Cognition SWE-2 Flash: Der Rabatt ist echt, das Basismodell ist die Nachricht

SWE-2 Flash wurde am 4. November 2026 mit zwei Zahlen versehen: ein Fünftel des Preises und dreimal so schnell wie SWE-2, das 2,8-Billionen-Parameter-Modell, das Cognition acht Wochen zuvor veröffentlichte. Beide sind Verhältnisse statt Raten, und beide werden in Devin gemessen. Der Satz, der tatsächlich etwas ändert, ist leicht zu überfliegen: Dieses Modell ist ein Post-Train von Inkling-Small, die Apache-2.0-Basis von Mira Muratis Thinking Machines Lab. Das ist das erste Mal, dass eines der Coding-Modelle von Cognition nicht von einer chinesischen Open-Weight-Basis abstammt, und es ist der Grund, warum die anderen beiden Zahlen überhaupt existieren.

Für alle, die über ein Suchfeld statt über einen Newsletter hereinkommen: SWE-2 Flash ist ein Coding-Modell, es läuft in den Agent-Produkten von Cognition und lässt sich nicht aus Ihrem eigenen Code aufrufen. Es gibt keinen Endpoint, keine Modellkennung und keine Preisliste. Der Launch-Beitrag nennt ein Datum, ein Basismodell, eine Trainingsgeschichte, eine Tabelle mit Zahlen und ein kostenloses Zeitfenster, das am 30. November endet. Alles im Folgenden stammt aus diesem Beitrag, aus der eigenen Tabelle von Cognition und aus den öffentlich aufrufbaren Alternativen — mit der Quellenangabe zu jeder Zahl.

Was veröffentlicht wurde – und die zwei Wörter, die im Beitrag fehlen

Cognition ist explizit, was die Oberfläche betrifft. SWE-2 Flash ist ab heute in Devin Desktop und Devin CLI verfügbar, und das abschließende Banner des Beitrags lautet: „Kostenlos bis 11/30 – probieren Sie es heute in Devin Desktop und CLI aus.“ Das ist die gesamte Distributionsgeschichte. Es gibt keinen API-Launch, keine Warteliste für einen Endpoint und kein Hugging-Face-Repository.

Die beiden fehlenden Wörter in der Preisangabe sind „pro Token“. „Zu einem Fünftel des Preises und mit dreifacher Geschwindigkeit seines deutlich größeren Geschwisters“ ist eine Aussage darüber, was eine Aufgabe innerhalb von Devin kostet, wobei das Modell, das Harness, das Scaffolding und Cognitions Serving-Stack in einer einzigen Rechnung zusammengefasst werden. Das ist eine legitime Art, einen Agenten zu bepreisen, und es ist kein Tarif, den man mit der Pro-Million-Token-Preiskarte von irgendjemand anderem vergleichen kann. Ein Leser, der versucht, ihn in einen solchen umzurechnen, wird scheitern, weil der Beitrag nie sagt, wovon das Fünftel ein Fünftel ist.

Die Geschwindigkeitsangabe muss genauso gelesen werden. Der Geschwindigkeitsabschnitt von Cognition nennt 200 tok/s gegenüber 60 tok/s für SWE-2 und erklärt dann, was gemessen wurde: „Der eigene Lauf jedes Modells auf der gsea-proteomics-Aufgabe von Terminal-Bench 4.0, mit simulierten 200 bzw. 60 Tokens pro Sekunde wiedergegeben. Die Transkripte werden für den Vergleich auf gleiche Länge gekürzt.“ Das ist eine Wiedergabe mit angegebenen Raten, kein Live-Timing zweier Endpunkte unter Last. Es sagt Ihnen, welches Serving-Profil beabsichtigt ist. Es sagt Ihnen nicht, was Sie dienstags um 14 Uhr sehen werden.

Der Austausch des Basismodells ist das eigentliche Release.

Vor sieben Wochen wurde SWE-2 aus Kimi K3 nachtrainiert – Moonshots Mixture-of-Experts mit 2,8 Billionen Parametern, davon 104 Mrd. pro Token aktiv. SWE-2 Flash wird aus Inkling-Small nachtrainiert, insgesamt 276 Mrd. Parameter und 12 Mrd. aktive, im Juli unter Apache 2.0 veröffentlicht. Cognitions eigene Größentabelle setzt das neue Modell bei 1x und SWE-2 bei 10,1x an – eine höfliche Art, eine achtfache Lücke bei den aktiven Parametern aufzuzeigen.

Dieser Tausch ist es, der die Preisbehauptung mechanisch plausibel macht statt werblich. Die Serving-Kosten richten sich weit stärker nach aktiven Parametern und generierten Tokens als nach einem Benchmark-Score, und ein Modell mit 12B aktiven Parametern gehört einer anderen Serving-Klasse an als eines mit 104B aktiven Parametern. Man muss Cognition's Erzählung von der Effizienz nicht vertrauen, um zu akzeptieren, dass ein so viel kleineres Modell zu einem Fünftel des Preises verkauft werden kann. Die interessante Frage ist, was es behalten hat.

Cognition rahmt den Wechsel national ein. In der ersten Zeile des Beitrags wird SWE-2 Flash als „ein vollständig amerikanisches Coding-Modell“ bezeichnet, und weiter heißt es, das Modell „übertreffe alle amerikanischen Open-Weight-Modelle, sogar Modelle, die 3-mal so groß sind“. Beide Aussagen stimmen so, wie sie dastehen, und beide sind enger gefasst, als sie klingen. „Vollständig amerikanisch“ beschreibt eine Lieferkette – die Basisgewichte eines amerikanischen Labors, nachtrainiert von einem amerikanischen Unternehmen –, keinen Burggraben, denn Inkling-Small ist Apache 2.0 und für jeden herunterladbar, auch für die Wettbewerber, auf die die Aussage abzielt. Der Teil, den Cognition tatsächlich kontrolliert, ist das Mid-Training und das RL, und genau diesen Teil liefert es nicht aus.

Der Widerspruch, der im Abschnitt Origins & Cyber steckt

Die zitierfähigste Passage in der Veröffentlichung ist kein Benchmark. Es ist der Abschnitt, in dem Cognition erklärt, warum die Gewichte zu Hause bleiben.

Es beginnt mit der Beschreibung eines Kunden, der mehr braucht als „ein leistungsfähiges Modell hinter einer API“: Unternehmen und Regierungen, die „Observability benötigen, um Deployments auf ihrer eigenen Infrastruktur zu hosten und zu steuern, einschließlich On-Prem“, sowie Forschende, die untersuchen müssen, wie sich ein Modell verhält. Dann wird das Ziel klar benannt – „Eines unserer Ziele mit SWE-2 Flash ist es, Industriepartnern und Forschenden eine Option zu bieten, die transparenten Zugriff auf die Gewichte sowie die Möglichkeit bietet, es in sensiblen Umgebungen feinabzustimmen und auszuführen.“

Zwei Absätze später heißt es: „Wir teilen die Gewichte noch nicht öffentlich“, wobei ein Partnerprogramm „in ein paar Wochen“ versprochen wird und als Grund das Cybersicherheitsrisiko genannt wird. Cognition hat gezielt darauf trainiert. Im selben Abschnitt heißt es, das Unternehmen habe „in unserem Training gezielt auf Cybersicherheitsarbeit abgezielt und damit den ExploitBench-Score des Modells von 11,3 % auf 34,8 % erhöht“, räumt dann aber ein, dass „dieselben Fähigkeiten auch von böswilligen Angreifern genutzt werden können“, und hält die Gewichte zurück.

Als Politik gelesen, ist die Logik kohärent, aber unbequem: Der im Abschnitt beschriebene On-Prem-Kunde kann das Modell nicht erhalten, das für ihn trainiert wurde, und der genannte Blocker ist eine Fähigkeit, die Cognition bewusst hinzugefügt hat. Als Evidenz über das Modell gelesen, gibt es ein schärferes Detail in der Tabelle. SWE-2 Flash erzielt 34,8 auf ExploitBench gegenüber 36,1 für SWE-2. Das Modell, das Cognition nicht veröffentlichen will, liegt innerhalb von 1,3 Punkten des Flaggschiffs, das es bereits verkauft. Wäre die Größe das Sicherheitsargument, sähe diese Zahl anders aus.

Auch das Rezept hat sich geändert, und gerade dieser Teil ist es wert, kopiert zu werden.

Cognition sagt, dies sei das erste Mal, dass es eine Mid-Training-Phase vor dem Reinforcement Learning eingefügt habe. Die Phase nutzte „ein paar Billionen Tokens“ aus hochwertigen wissenschaftlichen Artikeln, Blogs, Code und anderen Quellen und lief in drei Durchgängen, damit „das Modell die seltensten, hochwertigsten Daten später im Training sehen würde“. Die Mischungen wurden mit Token-Effizienz-Experimenten ausgewählt: Kandidatenmischungen wurden gegen ein zurückgehaltenes Validierungsset laufen gelassen und dahingehend verglichen, wie viele Tokens jede benötigte, um denselben Verlust wie eine Baseline zu erreichen.

Dann kam der RL-Durchlauf. Cognition ist ungewöhnlich offen darüber, woher die Verbesserungen kamen: „Während wir an unserem RL-Rezept aus SWE-2 einige Anpassungen vorgenommen haben, kamen die meisten Verbesserungen aus der viel höheren Qualität und Vielfalt unserer RL-Aufgaben.“ Das Unternehmen beschreibt die Prüfung von Anweisungen, die Einrichtung der Umgebung und Verifikatoren sowie die Kuratierung neuer Aufgabentypen über ein breiteres Spektrum von Fähigkeiten hinweg. Das ist eine Geschichte über Daten und Verifikatoren, keine Skalierungsgeschichte, und sie ist das am besten übertragbare Element in der Veröffentlichung.

Das Ausmaß des Sprungs stützt diese Lesart. Gegenüber seiner eigenen Basis hebt SWE-2 Flash Terminal-Bench 4.0 von 0,9 auf 20,0 und FrontierCode 2.0 von 3,2 auf 24,0. Was auch immer das Post-Training gekostet hat, es hat bei einem Modell mit 12B aktiven Parametern auf einem Benchmark etwa das Zwanzigfache der Punktzahl des Basismodells und auf einem anderen das Siebenfache erkauft. Was Cognition nicht veröffentlicht, ist die Tokenanzahl für das Mid-Train jenseits von „ein paar Billionen“, die Rechenleistung oder irgendeine Ablation, die das Mid-Train vom RL isoliert. Die Behauptung, dass die neue Stufe den Gewinn verursacht hat, stammt von Cognition; der Mechanismus ist nicht unabhängig überprüfbar.

Die Zahlen – und wo die Kernaussage dünn wird

Alle folgenden Angaben sind Cognition-eigene Werte aus der Tabelle zum Launch, und keine davon wurde unabhängig reproduziert. FrontierCode ist der Benchmark von Cognition, mit externen Maintainern verfasst und von Cognition bewertet.

• FrontierCode 2.0 — SWE-2 Flash 24.0 gegen SWE-2 23.8

FrontierCode 1.1 Main — 45,5 vs. 50,0

• DeepSWE 1.1 — 60,1 vs. 73,0

• Terminal-Bench 4.0 — 20,0 vs. 27,3

• Terminal-Bench 2.1 — 89,2 vs. 92,8

• SWE-Atlas QA — 50,0 vs. 56,3

• SWE-Bench Pro v2 Hard — 89,9 vs. 90,6

• ExploitBench — 34,8 vs. 36,1

Eine Zeile ist ein Sieg und sieben sind Niederlagen, die meisten davon klein. The Flash liegt gleichauf mit dem Flaggschiff bei FrontierCode 2.0, innerhalb eines Punkts bei SWE-Bench Pro v2 Hard und dreizehn Punkte dahinter bei DeepSWE 1.1. Diese Form – nah dran bei begrenzten Aufgaben, weiter zurück bei Aufgaben mit langem Zeithorizont – ist das Nützlichste in der Tabelle, und sie ist Gegenstand unseres separaten Vergleichs der beiden Modelle.

Die Behauptung „3x größer“ verdient einen eigenen Absatz, denn der Vorsprung ist dünner, als der Satz vermuten lässt. Das amerikanische Open-Weight-Vergleichsmodell, das am nächsten kommt, ist Muse Spark Open, 616B insgesamt und 42B aktiv. Auf DeepSWE 1.1 erreicht es 60,0 gegenüber 60,1 bei SWE-2 Flash. Ein Zehntelpunkt. Die Behauptung hält sich, weil die übrigen Vorsprünge von Flash real sind – 20,0 gegenüber 8,0 auf Terminal-Bench 4.0, 24,0 gegenüber 6,2 auf FrontierCode 2.0 –, aber die Schlagzeile „sogar Modelle, die 3-mal größer sind“ beruht in der Zeile, in der dieses Modell am stärksten ist, auf einem Rundungsfehler.

Außerdem gibt es in derselben Tabelle eine Spalte, die ein gegenteiliges Bild zeigt. DeepSeek V4.1 Flash 1017 schlägt mit 763B Gesamtparametern und 16B aktiven Parametern den Flash in vier der acht Zeilen: 77,0 zu 60,1 bei DeepSWE 1.1, 71,0 zu 50,0 bei SWE-Atlas QA, 42,3 zu 20,0 bei Terminal-Bench 4.0 und 91,0 zu 89,2 bei Terminal-Bench 2.1. Zwei dieser Abstände sind größer als alles, was der Flash irgendwo in der Tabelle gewinnt. Die Aussage „alle amerikanischen Open-Weight-Modelle“ ist auf die Nationalität beschränkt, und der stärkste Vergleichskandidat in der Tabelle liegt außerhalb dieses Geltungsbereichs.

Was Ihnen die fehlende Kabelbaumlinie kostet

Der September-Launch von SWE-2 kam mit einem Methodik-Anhang. Darin wurde das für jeden Anbieter verwendete Scaffold genannt – Claude Code für Anthropic-Modelle, Codex für OpenAI-Modelle, Grok Build für xAI – und es wurde angegeben, dass für jedes Modell die beste Punktzahl über die Reasoning-Effort-Einstellungen hinweg berichtet wurde. Der Flash-Beitrag enthält nichts davon. Kein Harness, keine Effort-Einstellung, keine Angabe, ob die Zahlen Best-of-N sind, und keine Fußnote, die die Tabelle erklärt.

Diese Auslassung wiegt bei einem kleinen Modell schwerer als bei einem großen, denn das Argument von Flash ist, dass das Post-Training eine Lücke geschlossen hat. Wenn die beiden Cognition-Modelle in unterschiedlichen Scaffolds liefen, geht ein Teil des Unterschieds von 0,2 Punkten bei FrontierCode auf den Harness zurück. Wenn die Zeile von SWE-2 seine Best-Effort-Einstellung ist und Flash nur eine Einstellung hat, ist der Vergleich ein Best Case gegen einen unbekannten Wert. Drei Offenlegungen würden das beheben: der Harness je Zeile, die Effort-Einstellung je Zeile und ein unabhängiger Lauf von Terminal-Bench 4.0 durch jemanden, der nicht Cognition ist.

Was Sie diese Woche nennen können

Hier ist nichts. SWE-2 Flash hat keinen Endpoint, und keine Drittanbieterplattform führt es – es gibt keine Kennung für das Routing. Aufrufen können Sie die Modelle, mit denen es verglichen wird, und die Kluft zwischen den beiden Situationen ist die praktische Geschichte der Veröffentlichung.

DeepSeek V4 Flash wird über OrcaRouter geroutet als deepseek/deepseek-v4-flash, mit dem Kontext von 1 Mio. Tokens und der maximalen Ausgabe von 384K, die DeepSeek veröffentlicht und Cognition für Flash nicht veröffentlicht. Kimi K3, das Basismodell, von dem SWE-2 nachtrainiert wurde, wird über OrcaRouter geroutet zu 3,00 US-Dollar pro Million Eingabe-Tokens und 15,00 US-Dollar pro Million Ausgabe-Tokens als kimi/kimi-k3. Eine API deckt mehr als 200 Modelle zum Listenpreis des Anbieters ab, ohne Aufschlag obendrauf, sodass eine Preisänderung eines Anbieters Sie am selben Tag erreicht und nicht nach dem Zeitplan des Routers. Wenn Sie testen, ob ein Post-Train mit 12B aktiven Parametern für Ihre Queue gut genug ist, muss dieser Test gegen ein Modell mit 12B aktiven Parametern laufen, das Sie tatsächlich aufrufen können, mit einer Fallback-Kette dahinter damit ein Test nicht zu einer Produktionsabhängigkeit wird.

Die enge Lesart von SWE-2 Flash ist diejenige, die die Evidenz stützt. Ein Modell mit 12B aktiven Parametern, nachtrainiert auf einem Mid-Train- und einem besser geprüften RL-Datensatz, liegt bei FrontierCode 1.1 Main innerhalb von 4,5 Punkten eines Flaggschiffs mit 104B aktiven Parametern und gleichauf bei FrontierCode 2.0 – bei einem Fünftel des Preises innerhalb eines Produkts. Wenn das unabhängigen Tests standhält, lautet die Lehre nicht, dass kleine Modelle aufgeholt haben. Sie lautet, dass bei Coding-Agenten der Grenzertrag von Parametern unter den Grenzertrag von Verifier-Qualität gefallen ist – und dass die Unternehmen, die schwierige Aufgaben generieren und prüfen können, statt derer, die sich die größte Basis leisten können, das Tempo vorgeben werden. Das ist eine größere Behauptung als ein Sieg um 0,2 Punkte, und sie ist es, die man beim nächsten unabhängigen Lauf im Auge behalten sollte.